徐鹏，谢广明,2,3，文家燕,2，高远

（1. 广西科技大学 电气与信息工程学院，广西 柳州 545006; 2. 北京大学 工学院，北京 100871; 3. 北京大学 海洋研究院，北京 100871）

强化学习是受动物能有效适应环境的启发发展而来的一种算法。基本思想是以试错的机制与环境进行交互，在没有导师信号的情况下，使奖励累积最大化，来寻求最优的策略[1-3]。目前强化学习的行业应用颇广泛，比如无人驾驶、人形机器人、智能交通和多智能体协同等。其中多智能体编队的强化学习研究是一个重要的方向[4-5]。文献[4]设计多动作回放的马尔可夫模型，在此框架下，多智能体 Q 学习可收敛到最优的联合行动策略。文献[5]提出一种评估 Q 值法，多智能体通过交流 Q 值函数和折扣奖励方差来学习世界，较快完成了编队任务。然后，智能体在这些学习过程中，需要连续地与环境进行交互，会导致大量的通信和计算资源消耗。因此在有限资源情况下，保证多智能体系统的编队性能，考虑如何降低资源消耗是必要的，这也是促使开展本项研究的直接原因。

事件驱动机制已经被证明可以有效地减小大规模网络的通信量[6-7]。综合已有研究成果，事件驱动条件设计主要分为两类：状态相关[8]和状态无关[9]。其主要做法都是通过检测智能体采样前后状态的偏差值大小，判断是否满足事件驱动条件，来决定间歇性的更新控制输入，减小控制器与多智能体系统的通信频率和计算量[10-12]。文献[10]较早在状态反馈控制器中引入事件驱动控制机制。……